樹人論文刊發(fā)灰度共生矩陣

　　摘 要：將神經(jīng)網(wǎng)絡(luò)處理非線性問題的優(yōu)勢(shì)和灰度共生矩陣描述紋理的經(jīng)典算法應(yīng)用于鐵路道床板結(jié)的識(shí)別研究。本文通過改進(jìn)Hough變換的方法來檢測定位道床區(qū)域，然后采用灰度共生矩陣對(duì)正常的道床和板結(jié)的紋理圖像進(jìn)行特征提取，探索基于BP神經(jīng)網(wǎng)絡(luò)進(jìn)行道床板結(jié)檢測和識(shí)別的方法，實(shí)現(xiàn)了道床板結(jié)識(shí)別的算法。實(shí)驗(yàn)結(jié)果表明，有較好的效果。

　　關(guān)鍵詞：Hough變換 灰度共生矩陣 直線檢測 道床板結(jié) BP算法

　　圖像的紋理特征描述了在圖像中反復(fù)出現(xiàn)的局部模式和它們的排列規(guī)則，反映了宏觀意義上灰度變化的一些規(guī)律[1]。基于鐵路道床(正常和異常)紋理表面的特點(diǎn)，應(yīng)用統(tǒng)計(jì)方法更適合于分析這兩類特征明顯的紋理。由此所生成的參數(shù)可以描述紋理多方面的統(tǒng)計(jì)特征。

　　模式識(shí)別中的紋理檢測識(shí)別參數(shù)之間具有不可避免的相關(guān)性和非線性，使用例如貝葉斯決策理論進(jìn)行分類難度比較大，因此采用神經(jīng)網(wǎng)絡(luò)對(duì)關(guān)系復(fù)雜的非線性信息具有類似人腦的處理能力，這給本文的模式對(duì)象識(shí)別提出了新的創(chuàng)新。

　　本文先應(yīng)用灰度共生矩陣提取紋理參數(shù)特征，并用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練分類以達(dá)到識(shí)別道床板結(jié)的目的。

　　1 道床板結(jié)區(qū)域分割

　　道床板結(jié)區(qū)域是指枕木和鐵軌之間的區(qū)域，因?yàn)殍F軌和枕木都是直線物體，所以我們采用檢測直線的方法來分割道床板結(jié)區(qū)域。

　　1.1 直線檢測

　　在圖像處理和機(jī)器視覺中，Hough變換[3]是檢測確定曲線的最有效的方法。傳統(tǒng)的Hough變換算法具有很大的盲目性、計(jì)算量較大。但是隨著隨機(jī)概率Hough變換(PHT)[4]和Hough變換(RHT)[5]等改進(jìn)Hough變換算法的提出，這種情況得到了有效的改變。對(duì)此本文做了一點(diǎn)改進(jìn)。從端面中心點(diǎn)開始，在端面矩形尺寸的范圍內(nèi)查找8鄰域內(nèi)的邊緣點(diǎn)，依次遞歸查找下去，直到鄰域沒有邊緣點(diǎn)為止。

　　1.2 確定道床板結(jié)區(qū)域

　　對(duì)紋理圖像進(jìn)行二值化后，利用Hough變換檢測邊緣，最后得到直線檢測結(jié)果。經(jīng)過實(shí)驗(yàn)驗(yàn)證，根據(jù)Hough變換改進(jìn)算法測試的直線成功分割出道床區(qū)域，比較準(zhǔn)確的定位道床區(qū)域，并減少對(duì)整幅圖像運(yùn)算帶來的大量不必要的運(yùn)算。

　　2 灰度共生矩陣

　　2.1 灰度共生矩陣的特征值

　　灰度共生矩陣[2](記為陣)是統(tǒng)計(jì)空間上具有某種位置關(guān)系的一對(duì)像元灰度對(duì)出現(xiàn)的頻度，其實(shí)質(zhì)是從圖像灰度為i的像元(位置為)出發(fā)，統(tǒng)計(jì)與其距離為d，灰度為j的像元同時(shí)出現(xiàn)的頻度數(shù)學(xué)表達(dá)式為：

　　按公式(1)生成的灰度共生矩陣是一種對(duì)稱陣。陣的分布比較分散;如果的方向與紋理方向一致，那么陣中的元素都集中在主對(duì)角線附近，在本文中，規(guī)定灰度連續(xù)的方向是紋理方向。

　　灰度共生矩陣有15個(gè)特征參數(shù)[6]，本文提取5個(gè)關(guān)鍵特征作為道傳板結(jié)的紋理特征。它們分別是：(1)角二階矩(能量);(2)對(duì)比度(慣性矩);(3)相關(guān);(4)熵;(5)逆差矩。

　　2.2 灰度共生矩陣生成間距d的自適應(yīng)

　　本文通過選取6個(gè)實(shí)驗(yàn)樣本，取0°、45°、90°、135°四個(gè)方向分別計(jì)算灰度共生矩陣的5個(gè)特征值并求其平均值以消除方向上的影響。經(jīng)過試驗(yàn)數(shù)據(jù)顯示隨像素間距d的增加，角二階矩、逆差矩有減小的趨勢(shì)，對(duì)比度、熵有增加趨勢(shì)，其中相關(guān)性有波動(dòng);總體上看，在d≥4后各特征參數(shù)的變化趨向穩(wěn)定。

　　通過對(duì)道床區(qū)域大小的分析及樣本實(shí)驗(yàn)兩個(gè)因素來自適應(yīng)的確定灰度共生矩陣生長步長d的取值。從上述實(shí)驗(yàn)可知，本文中選取d=4作為d的最小值，自適應(yīng)的步長為2，根據(jù)被確定的道床區(qū)域的大小自適應(yīng)的變化。

　　3 道床紋理特征提取

　　研究灰度的空間相關(guān)性來描述紋理，并從道床圖像中抽取紋理特征參數(shù)中的灰度共生矩陣作為分類識(shí)別的特征參數(shù)。圖像的灰度共生矩陣反映了圖像灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息，它是分析圖像局部模式結(jié)構(gòu)及其排列規(guī)則的基礎(chǔ)。

　　同一紋理不同方向的特征參數(shù)是有差異的，為了獲得旋轉(zhuǎn)不變的紋理特征，需對(duì)灰度共生矩陣的結(jié)果作適當(dāng)處理。本文采用的方法是取不同方向(0°，45°，90°，135°)的偏移參數(shù)，作其灰度共生矩陣，分別求取其特征指標(biāo)，提取二次統(tǒng)計(jì)量—— 二階矩、對(duì)比度、相關(guān)、熵、逆差矩等參數(shù)，可以作為分類的特征向量。

　　4 分類識(shí)別器的設(shè)計(jì)

　　4.1 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

　　本系統(tǒng)采用BP神經(jīng)網(wǎng)絡(luò)的模式識(shí)別方法對(duì)鐵軌道床的圖像進(jìn)行識(shí)別與分類，標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

　　BP網(wǎng)絡(luò)按有教師樣本(即目標(biāo)輸出模式)學(xué)習(xí)方式進(jìn)行訓(xùn)練，當(dāng)一對(duì)學(xué)習(xí)模式提供給網(wǎng)絡(luò)后，其神經(jīng)元的激活值將從輸入層經(jīng)各中間層向輸出層傳播，在輸出層的各神經(jīng)元輸出對(duì)應(yīng)于輸入模式的網(wǎng)絡(luò)響應(yīng)。

　　4.2 分類識(shí)別設(shè)計(jì)的實(shí)現(xiàn)

　　在進(jìn)行道床圖像的分類識(shí)別時(shí)，需要有已經(jīng)訓(xùn)練成型的分類器模型，可以按下面的步驟獲得：

　　(1)輸入訓(xùn)練樣本。將輸入樣本進(jìn)行歸一化處理，使訓(xùn)練樣本的輸入特征值取在[0，1]之間。

　　(2)對(duì)網(wǎng)絡(luò)進(jìn)行初始化。網(wǎng)絡(luò)的權(quán)值與閾值隨機(jī)初始化，網(wǎng)絡(luò)的輸入節(jié)點(diǎn)取特征向量的維數(shù)為5，輸出節(jié)點(diǎn)取的類別數(shù)為2。

　　(3)進(jìn)行BP網(wǎng)絡(luò)訓(xùn)練，獲取最終的權(quán)值與閾值矩陣。

　　(4)輸入待識(shí)別的樣本，進(jìn)行分類識(shí)別。